一、ABS基本原理及故障诊断（论文文献综述）
王贤瑞[1]（2021）在《基于机器学习算法的工业过程监测与故障诊断研究》文中研究指明随着工业技术的发展,现代工业过程呈现出大规模、高复杂度、高要求等特点,这种趋势下任何一台仪表或设备引起的异常都有可能影响产品的质量、造成设备的损坏,甚至引起安全事故。随着现代工业技术与信息技术的结合,实时数据采集、云数据库、在线监控等功能得以实现,但这些功能仅适合针对简单的工业过程进行监测,为解决大型工业过程的过程监测问题,及时发现工业过程中的异常,遏制连锁反应的发生,对工业过程监测及故障诊断算法的研究显得极为重要。在对过程监测及故障诊断方法的研究中,多元统计分析（Multivariate Statistical Process Monitoring,MSPM）方法因其数据驱动的特性常被应用于复杂工业过程。MSPM方法通常针对研究对象的不同特征进行建模,其中线性方法与非线性方法是工业过程中常见的两类方法,本文主要针对工业中的线性方法与非线性方法进行研究。线性方法中主元分析法（Principal Component Analysis,PCA）是一种常用的方法,该方法通过数据降维、划分空间、构建统计量来实现对工业过程的监测,事实上PCA算法中主元解释性较差,为解决这一问题,SPCA算法开始被广泛研究,但SPCA算法在残差空间的信息利用率过低,且其统计量在故障的判定上存在问题。为改进该方法,本文提出一种基于改进SPCA的过程监测与故障诊断方法,该方法通过引入Lasso与Ridge惩罚项,解决主元负载的优化问题,实现对主元向量的稀疏化,增强了主元的可解释性,提高了残差空间信息的利用率。为降低故障的误诊率,提高模型的精度,该方法将平方预测误差根据过程变量的复相关系数拆分为主元相关变量和一般过程变量来对工业过程进行监测。在非线性方法中,区间核主元分析（Interval kernel principal component analysis,IKPCA）算法成功的解决了数据的非线性问题和不确定性问题,但该方法精度不高,通过研究分析发现该方法高斯核参数选取存在问题,为解决这一问题,本文提出区间集成核主元分析（Interval ensemble kernel principal component analysis,IEKPCA）算法,该算法通过引入集成学习的思想建立多个子模型来解决高斯核参数的选取问题,然而多子模型会产生多结果,使最终结果的获取变得复杂,为简化计算,使用贝叶斯决策将结果转换为故障概率,通过加权的方式获取最终结果。为验证本文所提出的两种算法,将这两种算法应用于田纳西伊士曼过程,并设计相应的实验验证算法的性能,算法的评价主要通过计算过程监测中的准确率、误报率、漏报率等性能指标。通过统计实验结果并对比其他算法,验证了本文所提出的过程监测与故障诊断算法的有效性,证明了这两种方法优化了工业过程的过程监测与故障诊断问题。
肖玮[2]（2021）在《基于卷积神经网络的电力线路故障诊断研究》文中研究指明对于一个国家的经济发展,国土安全与人民幸福来说,电力安全是十分重要的。即使电力系统发生短暂的故障,对国防安全,社会生产和人民生活造成的损失也是难以用金钱衡量的。而电力线路故障是造成电力系统故障的重要原因之一,因此,在电力线路发生故障后,对故障原因进行诊断有研究意义。传统的电力线路故障诊断方法主要是依靠经验和理论推导,虽然可解释性较强,但是随着电力系统的日趋复杂化和电力装备的日趋多样化,传统的故障诊断方法面临着理论公式难以表达和稳定性差等问题。在面对复杂的故障问题时,传统的故障诊断方法缺乏诊断经验,并且传统的故障诊断方法难以解决电力线路多个位置同时发生故障的问题。为了解决上述问题,本文利用深度神经网络在特征提取和非线性表达方面的优势,自动提取电力线路故障特征,用一个故障诊断模型同时完成对电力线路故障特征的提取和故障的诊断,减小了传统方法故障特征提取和故障诊断分开进行对诊断结果造成的误差。本文将电力系统中的三相电压,三相电流及其零序分量作为特征信号,用小波包变换分析信号在时频域的特性,并且与时域特征和傅里叶特征进行对比。本文基于深度学习的理论,设计卷积神经网络故障诊断模型,作为对比,同时设计堆叠自编码器和深度信念网络故障诊断模型。分析这三种故障诊断模型的结构组成和基本工作原理,针对传统的深度信念网络的不足,采用自适应学习率的改进深度信念网络。针对传统卷积神经网络的节点数量不变,模型泛化性能较弱的问题,引入dropout机制,采用改进卷积神经网络作为电力线路故障诊断模型。本文分别以IEEE 14节点标准电网结构和IEEE 30节点标准电网结构作为算例,搭建电力线路故障仿真模型,设置多个故障点和采样点,将采样点的电气量输出为特征信号数据集。对特征信号数据集加入人工高斯随机噪声模拟噪声干扰,对该数据集二次处理得到电力线路故障样本集。通过多角度的对比实验,研究故障诊断模型的学习率,dropout值和批次样本数量等模型参数对诊断准确率的影响,确定模型参数的合理设置区间;研究电力线路多位置同时发生故障时诊断模型的诊断效果;研究诊断准确率随故障样本集信噪比的变化;研究电力系统拓扑结构变化对故障诊断准确率的影响;研究非平衡数据集的增强方法;比较三种故障诊断模型诊断准确率的差异。实验结果显示,本文采用的基于卷积神经网络的电力线路故障诊断模型具有较高的诊断准确率,既考虑电力线路短路故障,也考虑电力线路断路故障,在多位置同时发生故障时有着较好的诊断能力,同时抗噪声性能较好,具有更广泛的应用前景。
李政潭[3]（2021）在《基于等价输入干扰的永磁牵引驱动系统传感器故障容错控制》文中认为电机及驱动系统作为轨道交通牵引设备的动力来源,经历了从“直流”到“交流”,再到“永磁”的三代变革。随着国内首条全线采用永磁牵引系统的地铁线路长沙地铁5号线正式载客,轨道交通牵引真正迎来了“永磁时代”。然而轨道牵引控制系统现场应用环境往往非常恶劣,再加之电机需频繁起动、加速、减速与制动,极易诱发电机驱动系统的故障。倘若故障得不到及时的检测并纠正,极有可能造成灾难性后果。目前,关于永磁同步电机故障诊断与容错相关的研究甚多,而针对永磁牵引电机驱动系统传感器故障的研究还相对较少。同时由于轨道牵引控制系统现场应用环境恶劣,外界未知干扰易影响故障的诊断与容错,因此需要求故障诊断系统既要对未知干扰不敏感,又要对微小故障保持较高的灵敏度。而现有的故障诊断方法中均难以做到二者兼顾,往往采取折中处理。从机理上看,故障与干扰往往相互耦合,共同作用于系统,若能实现故障与干扰的解耦与重构则此矛盾将迎刃而解。此外,现有的故障容错方法在故障发生时需要利用系统的逆模型来重构容错控制器,或为不同故障模式重构不同的容错结构,这大大降低了系统的稳定性和故障容错的及时性。等价输入干扰理论不需要故障模型和系统逆模型的先验信息,很好的弥补了现有的故障容错方法存在的短板。本文将在机车牵引控制系统的背景下,以永磁牵引电机驱动系统电流传感器为研究对象,开展故障与未知干扰解耦与重构,以及基于等价输入干扰理论的传感器故障容错控制的研究。主要研究内容如下:首先,针对干扰与传感器故障相耦合的问题,提出了一种传感器故障和未知干扰解耦的方法和对解耦后的故障及干扰重构估计的策略。基于坐标变换方法实现了故障与未知输入干扰的解耦;利用滑模变结构等值原理并设计相应的滑模观测器实现了传感器故障和未知干扰的重构;同时进行了系统稳定性分析;并对提出的解耦方法和重构策略进行了仿真验证,验证了该方法的可行性和有效性。其次,针对现有故障容错控制方法中存在的需要重构容错控制器,或为不同的故障模式重构不同的容错结构的问题,提出了一种永磁牵引驱动系统电流传感器故障的容错控制策略。通过重新构建系统,将电流测量电路中的传感器故障视为系统干扰;基于等价输入干扰理论,结合滑模变结构技术,设计了滑模观测器和滤波器构成改进的等价输入干扰估计器,估计出了故障的等价输入故障,通过在控制输入中减去等价输入故障来实现传感器故障的容错,并且给出了系统的存在性分析和稳定性证明,并基于RT-LAB半实物仿真平台通过不同传感器故障实例进行了硬件在环实验,对所提出方法的有效性进行了验证。
常淼[4]（2021）在《基于深度学习的风电滚动轴承故障诊断与预测》文中研究说明随着社会的不断发展,大气环境污染问题日渐加剧,风能是最为最清洁的可再生能源之一,在改善能源结构方面具有重要作用,在世界各国倍受重视。随着装机容量的快速发展,风电机组的运行维护问题日益突出。由于长期工作在恶劣环境中,风电机组各部件的运行性能和健康状态随运行环境和时间的变化呈现衰退趋势,甚至产生故障,导致严重的发电量损失和经济损失。在风电机组中,由齿轮箱轴承故障引起的停机时间最长,而滚动轴承是其重要组成部件,对其故障诊断与预测进行研究具有重要的理论研究价值和工程应用意义。针对风电滚动轴承的故障诊断,目前常用的方法是将人工提取特征和分类器结合的方法来实现故障识别,模型通常较复杂,人工提取特征容易丢失关键信息,无法保证通用性和泛化能力。为此,论文以风电机组滚动轴承为研究对象,考虑风电机组滚动轴承故障特征微弱、提取困难,诊断效率低下等问题,提出一种基于改进卷积神经网络（convolutional neural network,CNN）的故障诊断算法,实现故障特征自动提取和故障分类。在此故障诊断策略中,对传统CNN的结构和训练算法进行改进。通过实验证明此模型在故障特征提取自动提取、训练速度、诊断精确度、泛化能力、鲁棒性等方面的优越性。考虑CNN网络参数对故障诊断的影响,且无法对所有数据集进行最佳泛化的问题,使用贝叶斯优化器对此改进CNN模型的网络深度、初始学习率、正则化系数以及随机梯度下降算法的动量进行选择。通过实验,对贝叶斯优化的迭代过程进行数字和图像的记录,分析CNN参数优化结果,对优化得到的CNN模型的泛化性和鲁棒性进行验证。对风电滚动轴承已发故障的迅速诊断可以节省故障排查时间。但是,对其运行状态进行预测性诊断可以及时识别故障征兆,及早确定故障发生的时间,从而对设备进行预测性维护。考虑长短期记忆网络（Long Short Term Memory,LSTM）在处理时序序列方面的优越性,提出一种基于双层LSTM的故障预测策略。在此故障预测策略中,两个LSTM分别用于短期时序预测和序列到标签的分类,从而实现对该时序序列未来一定时间的每一个时间步的运行状态的预测。通过实验验证此模型在故障预测方面的有效性。对风电滚动轴承的剩余寿命预测进行研究,可以进一步优化运维检修策略和备件订购事宜,进行视情维修,提高风电机组运行的可靠性。考虑LSTM在处理较长时序序列所需时间较长的问题,提出一种基于CNN-LSTM模型的风电滚动轴承剩余寿命预测模型,充分利用CNN的故障特征提取能力和LSTM处理时序序列方面的优越性。通过实验验证此CNN-LSTM模型可以较为精确地描绘剩余寿命变化趋势,在实现剩余寿命预测方面具有很高的有效性。
谢望[5]（2021）在《基于电流特征的光伏和风电变流器开关管开路故障诊断研究》文中提出近代社会高速发展,全球化石能源逐渐紧缺,发展可再生能源成为解决现代能源问题的必经之路。太阳能和风能是诸多可再生能源中的最具发展前景的两种能源类型。现代社会对于这两种能源的依赖逐渐增加,光伏和风力发电系统的可靠性与稳定性也变得越来越重要。主要由电力电子器件组成的变流器是光伏和风力发电系统中必不可少的一环,在发电系统长期运行过程中,容易出现故障。有研究表明,变流器中故障率最高的元器件为开关管器件。为了保证光伏和风力发电系统稳定运行,需要能够对变流器开关管故障进行快速诊断。本文以光伏和风力发电系统变流器为研究对象,首先进行了这两种发电系统的仿真建模,然后提出了光伏和风力发电系统中的变流器开关管开路故障诊断方法。文章研究内容主要分为两部分:第一,分析了离网光伏发电系统中的三相电压型桥式逆变器在不同开关管开路故障下的输出电流波形,发现故障相会出现输出电流正半周或者负半周变保持为零的现象,基于这一电流特征,设计了一种基于输出电流在一个周期内平均值的故障诊断方法,根据计算出来的诊断变量和自适应阈值的关系进行单双开关管的开路故障诊断。第二,分析了直驱式永磁风力发电系统中的机侧变流器在不同开关管开路故障下的机侧电流波形,发现故障相会出现电流持续过零的现象,非故障相电流也会出现特异性变化。基于这两种电流特征,进行了特征提取用于单双管开路故障诊断。而后根据电流持续过零位置的不同,设计了一种只需要分析本相电流就可以进行本相单双开关管开路故障诊断方法,诊断方法的计算量得到了降低。最后,进行仿真实验验证,计算出光伏发电系统中三相电压型桥式逆变器每一相的诊断变量和自适应阈值,根据二者之间的关系,可以准确的进行三相电压型桥式逆变器开关管开路故障诊断。计算出直驱式永磁风力发电系统机侧变流器每一相的电流过零标志和开路故障信号,就可以得到最终的诊断信号,诊断信号可以快速准确的反映出发生开路故障的开关管。对于改进后的故障诊断方法,根据电流是否出现持续过零进行故障相的判断,计算过零前后电流的平均值,根据平均值的变化进行故障相开关管的定位,实验结果表明,改进后的方法可以有效的进行单双管开路故障诊断。除此之外,进行了风速扰动下的故障诊断实验,实验结果表明设计的方法对风速干扰的鲁棒性较好。
蒋沁宇[6]（2021）在《基于振声信号的设备故障诊断算法研究》文中进行了进一步梳理在工业生产中,设备的健康状态与生产安全和生产质量息息相关,通过故障诊断技术可以有效的监测设备状态,预防恶性事件的发生,因此故障诊断技术的发展具有重要的理论和应用价值。在传统的故障诊断方法中,一般通过分析设备的电流、温度或振动等信号,结合经验参数判断设备的状态。其中,设备振动信号的针对性强、与故障位置的关联性好,因此振动信号逐步成为设备故障诊断方法研究中常用的信号类型。本文中考虑到在实际检测场景中可能面临高温、腐蚀等不利于接触式采集振动信号的因素,提出通过非接触式测量音频信号的方法弥补极端条件下振动信号采集受限的问题,并针对实际故障诊断任务中的挑战,结合设备振动和声音信号,对故障诊断算法展开研究。传统的故障诊断方法主要是通过人工观测或者通过设备的参数判断其运行状态,在实时性和精确性上还有较大的提升空间。随着信号处理技术和机器学习方法研究的深入,针对生产设备的故障诊断方法的准确度和鲁棒性已有显着提高,但在实际应用中仍存在诸多挑战:在工业生产环境中,受到环境噪声和其他噪声影响,采集到的设备振动信号被干扰,设备故障特征模糊,导致故障分类精度降低,误检率、漏检率较高;在已知设备故障模式和故障样本数据不足的情况下,通过故障分类方法无法及时检测出未知类型异常故障状态。为解决以上问题,同时考虑到实际生产条件下设备、关键零部件的状态检测任务的需求,本文分别针对故障诊断问题中已知故障样本数据条件下设备故障分类和故障样本数据不足条件下设备异常检测算法进行了研究,主要问题及研究内容如下:1.针对工厂环境噪声和高斯噪声影响下设备故障分类的问题,本文研究了谱峭度故障信息增强（Fault characteristics enhancement based on spectral kurtosis,SKFE）双流二维卷积神经网络（Dual-stream 2-dimension convolutional neural networks,DS2DCNN）故障分类算法SKFE-DS2DCNN。算法中提出了基于谱峭度的故障信息增强方法SKFE、振声信号双流二维特征图扩展方法以及构建了带有双流特征图融合模块和深层特征提取模块的DS2DCNN网络模型。主要研究内容包括:（1）提出SKFE方法增强了信号中表征设备故障的信息,抑制设备信号频谱中的噪声干扰,增强故障信息相关的分量,提高频谱中故障信息的显着程度。（2）提出了振声信号双流二维特征图扩展方法,将一维的特征向量扩展为双流二维特征图,特征图中包含了一维特征向量的信息以及信号帧间的关联信息,提高了特征表达的精确程度。（3）构建带有双流特征图融合模块和深层特征提取模块的DS2DCNN网络模型对设备特征图的融合和深度特征的提取,相比于之前研究中提出的故障分类方法,提高了高斯噪声影响下的故障分类精度,同时在复杂实际工厂噪声影响下得到了较精确的故障分类结果。2.针对强高斯噪声影响下,设备振声信号频谱特征质量受影响导致故障分类不精确的问题,本文研究了基于频谱优化特征和支持向量机的故障分类算法,提出了基于低阶矩谱（Lower order moment spectrum,LOMS）的故障分类算法,并在基于低阶矩谱故障特征和频谱图的基础上,进一步提出了基于频谱图局部波动特征（Spectrogram local fluctuation feature,SLFF）的故障分类算法。通过提取强高斯噪声影响下区分度和鲁棒性更优的设备故障特征,提高了低信噪比条件下故障分类的精度。主要研究内容包括:（1）在基于LOMS的故障分类算法中,通过提取信号的频谱低阶矩特征,提升不同故障模式样本特征表达的差异性,降低噪声对特征表达的影响,提高设备信号特征表达的准确度,从而在利用传统故障分类器进行故障分类的实验中获得了精确的诊断结果。（2）在基于SLFF的故障分类算法研究中,根据SKFE-DS2DCNN故障分类算法中频谱图构建方法及基于低阶矩谱的故障分类方法中不同类型样本之间特征波形差异,通过构建的设备频谱图和提取的局部波动特征表征设备频谱的整体波形和变化趋势,提高了高斯噪声干扰下设备故障特征表达的鲁棒性,并在利用传统故障分类器模型支持向量机的条件下得到了良好的故障分类结果。3.为解决已知故障模式和样本数据不足条件下,无法通过故障分类方法精确诊断设备未知类型异常情况的问题,针对样本在特征空间内分布的不同情况,分别提出多分支层级高斯模型（Multi-branch hierarchical gaussian model,MBHGM）异常检测算法和抗体群优化人工免疫系统（Antibody population optimized artificial immune system.APO-AIS）的设备故障异常检测算法,在缺乏故障样本数据条件下,通过构建的异常检测模型实现对设备的已知工作状态的精确识别,同时可有效检测出设备发生的未知类型异常情况。主要研究内容包括:（1）在MBHGM设备异常检测算法中,针对样本在特征空间内近似服从高斯分布的情况提出了 MBHGM异常检测模型,该模型主要包含了多分支特征高斯子模型完成对样本得分的评估以及层级得分高斯子模型实现根据样本得分判定样本的类别,相比于高斯混合模型和多元高斯模型,该算法在保证检测精度的条件下,简化了训练模型参数的过程,且具有更好的泛化能力和实用性。（2）针对样本分布不服从标准分布的情况,提出APO-AIS设备故障异常检测算法,通过对算法的迭代进化、群体选择及判定区域划定方法的优化,提高了抗体群的质量以及判定区域自由度,提高了模型针对样本分布不符合标准分布模型情况下的适应性,从而达到精确检测设备状态和异常事件的目的。考虑到实际诊断任务中不同的客观条件,本文提出的故障诊断算法既适用于针对振动信号的设备故障诊断任务,又可以应用于基于音频信号的设备故障诊断问题中,在保证诊断精度的基础上拓展了故障检测方法的适用场景。在本文中,通过公开的轴承振动数据和利用高精度音频传感器采集的实际生产设备运行音频数据,验证了提出的设备故障分类算法、异常检测算法及相关方法的有效性和鲁棒性。
孙浩[7]（2020）在《基于深度学习的交直流电网故障诊断方法研究》文中提出我国发电能源与负荷分布极不均衡,远距离输电工程在我国广泛存在,而直流输电在远距离输电中相比传统交流输电有着无可比拟的优势,因此近几年特高压直流输电技术得到了大力发展,促使我国交直流混联电网格局的形成。高效的电网故障诊断方案是电网安全稳定运行的前提,基于开关量的电网故障诊断方案在保护和断路器误动和拒动,以及报警信息漏报、误报等情况发生时非常容易误判故障元件。在准确性、完备性及容错性等方面电气量信息比开关量信息有更大的优势,并且随着电网监测系统的发展,在调度端便可以获得海量的故障电气量信息,因此本文将电气量信息作为故障特征集,开展了对基于深度学习算法的交直流混联电网故障诊断方案的研究。论文主要工作如下:调研了交直流混联电网故障诊断的研究背景和意义;介绍了传统电网故障诊断方法;分析了目前深度学习算法在电网故障诊断领域的研究现状及特点。在MATLAB/Simulink平台搭建了四机两区域交直流混联电网模型,为了获取大量故障样本,在Simulink平台搭建了可编程故障模块,通过编辑器与Simulink交互仿真实现了故障的批量化仿真,共获得14418个故障样本,为深度学习算法提供了良好的特征数据集。研究了基于SSAE（堆叠稀疏自动编码器）的数据降维方法和DBN（深度置信网络）分类模型相结合的故障诊断方法。利用SSAE对原始故障样本数据进行降维,通过降维,降低了数据的复杂度,便于DBN对数据进行分类。文中将SSAE降维效果分别与SAE（单隐含层稀疏自动编码器）和PCA（主成分分析）的降维效果进行了对比,通过对比,发现SSAE对数据的降维效果优于SAE和PCA。通过大量实验,确定了最佳的DBN结构。最后将SSAE-DBN方法用到故障诊断中,结果表明本文所提方法的故障诊断准确率高于传统机器学习算法,且几乎不受故障类型、故障位置、故障过渡电阻的影响。研究了基于CNN（卷积神经网络）的交直流混联电网故障诊断方法。卷积神经网络具有强大的特征提取能力,可以从不同角度对数据进行特征提取,故可以高效地对本文复杂故障数据进行特征提取并分类。探究了卷积神经网络参数配置对故障诊断准确率的影响。通过分析不同参数配置对准确率的影响并进行多次实验,最终确定了适用于故障诊断的卷积神经网络结构。将卷积神经网络用于交直流混联电网故障诊断,结果表明,卷积神经网络具有很高的故障诊断准确率,针对故障类型和故障线路的诊断准确率分别达到了99.93%和99.95%。利用t-SNE算法对卷积层输出进行降维与可视化,发现卷积神经网络具有逐层提取特征的特点。针对故障样本少导致分类模型泛化能力下降的问题,研究了基于DCGAN（深度卷积生成对抗网络）的数据样本扩容方法,DCGAN将卷积神经网络引入生成对抗网络中,提升了生成对抗网络的稳定性。通过生成器与判别器的对抗学习,生成器学习到了真实故障样本的概率分布。利用训练好的生成器生成新的故障样本,然后利用卷积神经网络作为判别器和分类器,计算生成数据的正确率和测试集数据故障诊断的准确率,实验表明,DCGAN模型有效的学习到了故障样本的概率分布,提升了故障诊断的准确率。
任伊昵[8]（2020）在《逆变器传感器故障和开关管故障综合诊断方法研究》文中研究说明电力电子变换器在新能源系统、电动汽车、电网等众多领域中发挥着关键作用,但同时也是故障率较高的环节。因此,提高电力电子变换器的可靠性,减少因异常而造成的停机,保证系统不间断运行具有重要的研究意义。快速、准确的故障诊断策略是电力电子变换器在发生故障时能够及时实施保护或容错策略的前提。同时,针对系统中故障类型的不同,采取有效的综合诊断策略能够降低系统的误诊断率、减小故障诊断的复杂度,从而减轻系统的维护成本和负担,具有重要的应用价值。如何在不增加额外硬件成本的基础上,利用已有信号实现宽负载适用、快速且可靠的诊断性能依然是研究的热点。本文以三相逆变器为研究对象,对传感器故障和开关管故障的综合诊断问题进行了研究,并提出了两种诊断方法。首先,本文针对三相逆变器内电流传感器故障和开关管故障,提出了基于双诊断变量的综合诊断方法。将逆变器中各桥臂间电压和三相输出电流之和作为诊断变量,深入分析了各诊断变量在不同故障下的变化特征,并对诊断变量的平均模型进行了详细推导。此外,还针对宽负载范围可能对诊断结果产生的影响进行了研究。定量分析了在不同负载工况下的传感器采样误差、电感非线性偏差、开关管死区和信号延时等因素造成的动态计算误差,提出了动态误差归一化的自调节阈值设计方法来保证诊断策略的宽负载适用性和鲁棒性。与已有的针对电流传感器和开关管故障的综合诊断方法相比,所提方法缩短了诊断时间并解决了模型法对负载变化敏感、阈值选取困难的问题。其次,本文针对直流母线电压传感器、交流输出电压传感器、电流传感器和开关管的故障,提出了基于多诊断变量的综合诊断方法。由于这四类元器件发生故障后,将产生耦合性极强的特征表现,若不对其进行有效辨识,难以对故障进行准确定位,容易引起误诊断。本文对这四种故障进行了解耦分析,将桥臂间电压、三相线电流之和、三相相电压之和、以及开关管占空比和输出电流作为诊断变量,以实现多类型故障的检测和定位。首先详细分析了上述变量在不同故障下的特征,然后对相应诊断变量进行推导并进一步计算诊断阈值,最后给出了综合诊断算法逻辑和故障定位判据。所提方法能够同时诊断逆变器中的四种故障,对上述每种故障均能实现有效辨识和快速诊断。
李战[9]（2019）在《非侵入式逆变器功率开关管故障和电流传感器故障诊断方法研究》文中研究说明电力电子变换器在许多能源系统中发挥着关键的接口作用,却又是故障高发环节。因此,提高其可靠性、实现不间断运行和减少停机时间是研究的热点。对变换器进行快速故障诊断是进行及时保护、容错运行的前提,还能减轻检修负担,因此具有重要的应用价值。对变换器非侵入的情况下,即不增加硬件诊断电路、利用已有信号,进行快速和可靠的故障诊断依然是值得研究的问题。本文以两电平逆变器为研究对象,对易发的功率开关管开路故障和电流传感器故障诊断问题进行了研究,并提出了四种诊断方法。首先,针对单电压环控制的三相逆变器,本文提出了基于相电压故障特征的功率开关管故障诊断方法。通过对逆变器故障后输出电压的状态进行分析,发现故障相的相电压会出现特定半周期的近零电压故障特征。基于该故障特征,本文构建了一种滑窗计数算法来实现故障诊断。该方法只需要输出电压信息,计算量小,实现简单。跟已有的基于输出电压的诊断方法相比,所提方法具有更快的诊断速度,能实现多管故障同时诊断。其次,面向输出电压、电流同时采样的三相逆变器应用场合,本文提出了基于误差自适应阈值的功率开关管故障诊断方法。本文首先对逆变器桥臂电压故障特征进行深入分析,给出了不同故障下桥臂电压的偏差特征。针对三线制逆变器和四线制逆变器,分别推导了桥臂间和桥臂中点电压的平均模型。对于电感值受电流偏置影响大的情况,建立了更准确的变电感修正模型。此外,详细分析了采样误差、参数偏差、死区时间等造成的计算误差,并提出了自适应于这些误差的灵活阈值方法来保证鲁棒性。所提方法使诊断速度提高至开关周期级别,解决了基于模型的方法对误差敏感和阈值选取困难的问题。此外,对于单相逆变器功率开关管故障,本文提出了基于故障后重构算法的诊断方法。将前面所提的三相逆变器诊断方法用到单相逆变器时,只能实现故障检测而无法实现故障定位。故障后重构算法,即在检测到故障后将系统重构为特定的运行状态,从而使故障可定位。针对是否含有冗余桥臂,本文提出基于控制重构和基于冗余桥臂重构的两种诊断算法。所提方法提高了诊断速度,解决了无法在逆变运行模式下进行诊断的问题。所提的故障后重构算法对故障诊断提供了一种新思路,具有应用到其它场合和拓扑的潜力。最后,本文将三相逆变器功率开关管故障诊断方法,拓展为功率开关管故障和电流传感器故障综合诊断方法。功率开关管故障和传感器故障的特征相互耦合,如果只考虑其中一种故障,则另一种故障发生时容易引起误诊断。本文首先建立了输出线电压和相电压的偏差模型,并分析得到了不同故障下的偏差特征,然后推导了相应的诊断变量和阈值的计算。此外,本文还考虑了三相系统不对称的情况。将三相不对称引起的误差进行定量分析并加入到阈值中,来提高诊断方法的适应性和鲁棒性。所提方法是目前唯一能实现仅有两个电流传感器的三相逆变器中两种故障综合诊断的方法,而且诊断速度快。
黄睿灵[10]（2019）在《基于VMD样本熵和KELM的输电线路故障诊断》文中研究说明我国电力系统经过无数专家学者的刻苦专研已经处于世界的领先地位,输电线路的建设也得到了繁荣的发展,输电线路作为故障率最高的部分,威胁着电力系统的安全稳定运行。短路故障是输电线路故障中发生最为频繁、最为严重的故障,重则引起系统振荡,甚至系统崩溃。因此需要在发生故障时,快速、准确的识别故障类型,是继电保护装置正确动作,准确切除故障的重要前提。输电线路故障诊断主要分为故障特征的提取与故障类型的诊断两个环节,目前较常用的特征提取方法有傅里叶分解、小波变换和经验模态分解等,然而,上述的方法均存在一定缺陷:傅里叶分解无法提取非线性型号的局部特征信息;小波变换需要人为确定分解尺度与基函数;经验模态分解可能出现模态混叠的现象会导致特征信息的缺失等。本文将变分模态分解（Variational Mode Decomposition,VMD）和样本熵相结合用于输电线路故障特征提取,既能够很好地完成故障信号的分析,又具有良好的噪声鲁棒性,VMD有效克服了上述信号分析方法的缺点,能够较好实现故障信号的处理,并应用样本熵来完成故障特征的提取,得到较为精确的故障特征。在故障识别模型的构建方面,传统的故障识别多用神经网络和支持向量机等模型实现。虽然取得过一些成果,但依然存在一些弊端:神经网络的收敛速度慢,容易陷入局部极小值;支持向量机构造多分类器较困难,对于实现多种类型的故障识别需要大量的训练时间。核极端学习机（Kernel Extreme Learning Machine,KELM）具有更高的学习速率和测量精度,更好的泛化能力,可以有效克服传统模型在进行多故障类型诊断时学习速率较慢、诊断精度不高等弊端。将VMD和样本熵结合提取的故障特征输入核极端学习机,能有效实现电力系统输电线路短路故障诊断,而且收敛时间短、诊断精度高、泛化能力强。最后,以MATLAB软件构建了实验平台模拟新疆电网某段输电线路,设置了单相短路、两相短路、两相接地短路以及三相短路等几种故障类型并获取实验数据,应用提出的VMD和样本熵方法进行特征提取,利用VMD对获取的实验数据进行分解,计算分解后分量的样本熵值作为特征向量;然后将提取的特征分别应用到本文提出的核极端学习机诊断模型以及传统模型中进行实验验证、比较,仿真表明:本文提出的特征提取发方法和诊断模型对比传统方法和模型具有更快的诊断速率,更为理想的合理性、适应性和较高的诊断精度。该论文有图30幅,表14个,参考文献64篇
二、ABS基本原理及故障诊断（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、ABS基本原理及故障诊断（论文提纲范文）
（1）基于机器学习算法的工业过程监测与故障诊断研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 研究现状 |
| 1.2.1 过程监测与故障诊断发展概述 |
| 1.2.2 过程监测与故障诊断研究现状 |
| 1.3 主要研究内容 |
| 1.4 本文组织结构 |
| 第二章 基本理论与数据集介绍 |
| 2.1 主元分析(PCA)过程监测原理 |
| 2.2 核主元分析(KPCA)过程监测原理 |
| 2.3 TEP过程及数据集介绍 |
| 2.4 本章小结 |
| 第三章 线性过程监测与故障诊断算法研究 |
| 3.1 稀疏主元分析(SPCA)过程监测原理 |
| 3.2 改进SPCA过程监测原理 |
| 3.3 改进SPCA实验设计 |
| 3.4 实验结果分析 |
| 3.5 本章小结 |
| 第四章 非线性过程监测与故障诊断算法研究 |
| 4.1 区间核主元分析(IKPCA)过程监测原理 |
| 4.2 区间集成核主元分析(IEKPCA)过程监测原理 |
| 4.3 实验设计 |
| 4.4 实验结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者及导师简介 |
（2）基于卷积神经网络的电力线路故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容 |
| 第2章 电力线路故障数据处理 |
| 2.1 故障分类 |
| 2.2 故障信号编码 |
| 2.2.1 故障样本集二维化 |
| 2.2.2 故障样本集归一化 |
| 2.2.3 独热编码 |
| 2.3 故障特征分析 |
| 2.3.1 时域特征分析 |
| 2.3.2 基于傅里叶变换的故障特征分析 |
| 2.3.3 基于小波包变换的故障特征分析 |
| 2.4 基于改进SMOTE算法的非平衡数据集增强 |
| 2.5 本章小结 |
| 第3章 基于深度神经网络的故障诊断模型 |
| 3.1 深度学习 |
| 3.2 堆叠自编码器 |
| 3.3 深度信念网络 |
| 3.3.1 限制玻尔兹曼机 |
| 3.3.2 深度信念网络基本原理 |
| 3.3.3 基于Adam的深度信念网络优化 |
| 3.4 卷积神经网络 |
| 3.4.1 卷积神经网络基本原理 |
| 3.4.2 基于dropout机制的卷积神经网络优化 |
| 3.5 本章小结 |
| 第4章 模型验证与参数影响分析 |
| 4.1 针对IEEE14 节点电力系统的模型分析 |
| 4.1.1 模型建立与参数设置 |
| 4.1.2 单位置故障下的故障诊断 |
| 4.1.3 多位置故障下的故障诊断 |
| 4.1.4 改进SMOTE算法应用分析 |
| 4.2 针对IEEE30 节点电力系统的模型分析 |
| 4.2.1 模型建立与参数设置 |
| 4.2.2 单位置故障下的故障诊断 |
| 4.2.3 多位置故障下的故障诊断 |
| 4.2.4 信噪比变化影响分析 |
| 4.2.5 拓扑结构变化影响分析 |
| 4.3 本章小结 |
| 第5章 结论 |
| 5.1 全文总结 |
| 5.2 下一步建议 |
| 参考文献 |
| 攻读硕士期间所取得的成果 |
| 作者简介 |
| 致谢 |
（3）基于等价输入干扰的永磁牵引驱动系统传感器故障容错控制（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传感器故障诊断和容错控制研究现状 |
| 1.2.2 扰动抑制技术研究现状 |
| 1.2.3 传感器故障重构技术研究现状 |
| 1.3 有待进一步研究的问题 |
| 1.4 论文主要研究内容及工作安排 |
| 第二章 永磁同步电机数学模型 |
| 2.1 概述 |
| 2.2 PMSM结构 |
| 2.3 PMSM数学模型 |
| 2.3.1 坐标变换 |
| 2.3.2 PMSM在 ABC坐标系下的磁链和电压方程 |
| 2.3.3 PMSM在 α-β坐标系下的磁链和电压方程 |
| 2.3.4 PMSM在 d-q坐标系下的磁链和电压方程 |
| 2.3.5 PMSM转矩方程 |
| 2.4 本章小结 |
| 第三章 基于等价输入干扰的传感器故障容错控制理论基础 |
| 3.1 滑模变结构控制基本理论 |
| 3.1.1 滑模变结构控制的基本原理 |
| 3.1.2 抖振问题 |
| 3.1.3 等效控制 |
| 3.2 Lyapunov稳定性定理 |
| 3.3 等价输入干扰基本原理 |
| 3.4 本章小结 |
| 第四章 电流传感器故障与未知输入干扰的解耦与重构 |
| 4.1 系统描述 |
| 4.2 基于T-S坐标变换的电流传感器故障和干扰解耦 |
| 4.3 观测器设计 |
| 4.4 传感器故障和干扰的重构 |
| 4.5 仿真分析 |
| 4.5.1 仅存在干扰时仿真分析 |
| 4.5.2 A相电流传感器发生故障时仿真分析 |
| 4.5.3 B相电流传感器发生故障时仿真分析 |
| 4.6 本章小结 |
| 第五章 基于等价输入干扰的电流传感器故障容错控制 |
| 5.1 系统描述 |
| 5.2 基于等价输入干扰的故障估计和容错控制 |
| 5.2.1 电流传感器故障容错控制策略 |
| 5.2.2 等价输入干扰估计器的设计 |
| 5.3 系统稳定性分析 |
| 5.4 基于R-T LAB半实物仿真系统的仿真验证 |
| 5.4.1 R-T LAB半实物仿真平台简介 |
| 5.4.2 MATLAB 模型搭建 |
| 5.4.3 单个电流传感器故障仿真分析 |
| 5.4.4 两个电流传感器同时发生故障仿真分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
| 致谢 |
（4）基于深度学习的风电滚动轴承故障诊断与预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外的研究现状 |
| 1.2.1 国内研究现状及发展趋势 |
| 1.2.2 国外研究现状及发展趋势 |
| 1.3 主要研究内容与章节安排 |
| 第二章 基于改进CNN的风电轴承故障诊断策略 |
| 2.1 引言 |
| 2.2 深度学习常见问题 |
| 2.2.1 梯度消失 |
| 2.2.2 过拟合 |
| 2.2.3 计算量大 |
| 2.3 CNN基本理论 |
| 2.3.1 卷积层 |
| 2.3.2 池化层 |
| 2.3.3 全连接层 |
| 2.3.4 目标函数 |
| 2.3.5 CNN的训练 |
| 2.4 模型评价指标 |
| 2.5 改进的CNN模型 |
| 2.5.1 批归一化 |
| 2.5.2 改进CNN的结构 |
| 2.5.3 改进CNN的训练 |
| 2.5.4 基于改进CNN的故障诊断流程 |
| 2.6 基于改进CNN的轴承故障诊断 |
| 2.6.1 实验数据 |
| 2.6.2 CNN模型的结构与参数 |
| 2.6.3 泛化性验证 |
| 2.6.4 特征降维可视化 |
| 2.6.5 鲁棒性验证 |
| 2.7 本章小结 |
| 第三章 基于贝叶斯优化的CNN超参数优化策略 |
| 3.1 引言 |
| 3.2 贝叶斯优化原理与应用 |
| 3.2.1 贝叶斯优化器 |
| 3.2.2 概率代理模型 |
| 3.2.3 采集函数 |
| 3.3 贝叶斯优化CNN模型 |
| 3.3.1 贝叶斯优化流程 |
| 3.3.2 基于贝叶斯优化CNN的故障诊断策略 |
| 3.3.3 贝叶斯优化结果与分析 |
| 3.3.4 泛化性和鲁棒性验证 |
| 3.4 本章小结 |
| 第四章 基于双层LSTM的故障预测策略 |
| 4.1 引言 |
| 4.2 RNN基本理论 |
| 4.2.1 RNN的结构 |
| 4.2.2 RNN的梯度消失与梯度爆炸 |
| 4.3 LSTM基本理论 |
| 4.3.1 LSTM自循环 |
| 4.3.2 LSTM的门结构 |
| 4.3.3 LSTM的训练 |
| 4.4 双层LSTM模型 |
| 4.4.1 LSTM模型 |
| 4.4.2 Adam算法 |
| 4.4.3 基于双层LSTM模型的故障预测模型 |
| 4.5 实验验证 |
| 4.5.1 实验数据集 |
| 4.5.2 用于时序预测的LSTM |
| 4.5.3 序列到序列分类的LSTM |
| 4.5.4 故障预测实验结果 |
| 4.6 本章小结 |
| 第五章 基于CNN-LSTM的剩余寿命预测策略 |
| 5.1 引言 |
| 5.2 剩余寿命 |
| 5.2.1 统计学寿命模型 |
| 5.2.2 基于断裂力学的剩余寿命模型 |
| 5.2.3 经验寿命模型 |
| 5.3 滚动轴承全寿命试验平台 |
| 5.4 基于CNN-LSTM的剩余寿命预测模型 |
| 5.4.1 CNN-LSTM模型 |
| 5.4.2 实验数据预处理 |
| 5.4.3 剩余寿命预测 |
| 5.5 本章小结 |
| 第六章 主要结论与展望 |
| 6.1 主要结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
（5）基于电流特征的光伏和风电变流器开关管开路故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 故障诊断概述 |
| 1.2.1 故障诊断方法的分类 |
| 1.2.2 故障诊断的目的和意义 |
| 1.3 离网光伏逆变器开关管开路故障诊断研究现状 |
| 1.4 直驱式永磁风电变流器开关管开路故障诊断研究现状 |
| 1.5 本文章节安排 |
| 第二章 光伏和风力发电系统分析与建模 |
| 2.1 引言 |
| 2.2 光伏发电系统 |
| 2.2.1 光伏电池的基本原理和等效电路 |
| 2.2.2 光伏发电系统的组成 |
| 2.2.3 光伏逆变器的数学模型 |
| 2.2.4 光伏逆变器调制技术 |
| 2.2.5 离网光伏发电系统建模 |
| 2.3 直驱式永磁风力发电系统 |
| 2.3.1 风力发电基本原理 |
| 2.3.2 直驱式永磁风力发电系统基本结构 |
| 2.3.3 永磁同步电机数学模型及变流器控制原理 |
| 2.3.4 直驱式永磁风力发电系统建模 |
| 2.4 小结 |
| 第三章 离网光伏逆变器开关管开路故障诊断 |
| 3.1 引言 |
| 3.2 逆变器开路故障类型和电流特征分析 |
| 3.3 基于电流平均值的逆变器开路故障诊断 |
| 3.3.1 三相电流的归一化处理 |
| 3.3.2 诊断变量的设定 |
| 3.3.3 自适应阈值的设定和诊断信号的生成 |
| 3.4 故障诊断方法实验验证与结果分析 |
| 3.4.1 只有一个开关管发生开路故障 |
| 3.4.2 同一桥臂两个开关管均发生开路故障 |
| 3.4.3 不同桥臂的两个开关管发生开路故障 |
| 3.5 小结 |
| 第四章 直驱式永磁风电变流器开关管开路故障诊断 |
| 4.1 引言 |
| 4.2 机侧变流器的故障类型和特征分析 |
| 4.3 机侧变流器开关管开路故障诊断 |
| 4.3.1 故障诊断方法设计 |
| 4.3.2 故障诊方法的参数设置 |
| 4.4 故障诊断方法实验验证与结果分析 |
| 4.4.1 单管故障诊断实验结果 |
| 4.4.2 单管故障诊断鲁棒性分析 |
| 4.4.3 双管故障诊断方法及验证 |
| 4.5 故障诊断方法的改进 |
| 4.6 小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（6）基于振声信号的设备故障诊断算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语注释表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 故障诊断算法研究现状 |
| 1.3 问题分析 |
| 1.4 主要研究内容 |
| 1.5 章节安排 |
| 第二章 振声信号预处理及传统故障诊断方法 |
| 2.1 引言 |
| 2.2 振声信号分帧和加窗方法 |
| 2.3 传统设备故障诊断方法 |
| 2.3.1 包络谱分析法 |
| 2.3.2 谱峭度法 |
| 2.4 本章小结 |
| 第三章 SKFE-DS2DCNN故障分类算法 |
| 3.1 引言 |
| 3.2 基于谱峭度的故障信息增强方法 |
| 3.3 双流二维特征图扩展方法 |
| 3.4 DS2DCNN故障分类模型 |
| 3.4.1 卷积神经网络 |
| 3.4.2 DS2DCNN故障分类模型 |
| 3.5 实验结果及分析 |
| 3.5.1 故障特征图及DS2DCNN故障分类模型结构 |
| 3.5.2 SKFE故障信息增强方法及DS2DCNN双流输入结构 |
| 3.5.3 强高斯噪声影响下的轴承故障分类 |
| 3.6 本章小结 |
| 第四章 基于频谱优化特征和支持向量机的故障分类算法 |
| 4.1 引言 |
| 4.2 基于低阶矩谱的故障分类算法 |
| 4.2.1 信号低阶矩谱提取 |
| 4.2.2 低阶矩谱标准化及带通滤波 |
| 4.2.3 支持向量机 |
| 4.3 基于频谱图局部波动特征的故障分类算法 |
| 4.3.1 频谱标准化及频谱图构建 |
| 4.3.2 波动特征提取 |
| 4.4 实验结果及分析 |
| 4.4.1 基于LOMS的故障分类算法 |
| 4.4.2 基于SLFF的故障分类算法 |
| 4.5 本章小结 |
| 第五章 设备异常检测算法 |
| 5.1 引言 |
| 5.2 MBHGM异常检测算法 |
| 5.2.1 MBHGM异常检测模型 |
| 5.2.2 实验结果及分析 |
| 5.3 APO-AIS异常检测算法 |
| 5.3.1 APO-AIS异常检测模型 |
| 5.3.2 实验结果及分析 |
| 5.4 本章小结 |
| 第六章 研究工作的总结和展望 |
| 6.1 研究工作总结 |
| 6.1.1 主要研究成果 |
| 6.1.2 存在的问题 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
| 学位论文评阅及答辩情况表 |
（7）基于深度学习的交直流电网故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 课题国内外研究现状 |
| 1.2.1 电网故障诊断研究现状 |
| 1.2.2 深度学习背景介绍 |
| 1.2.3 深度学习在电网故障诊断中的应用现状 |
| 1.3 本文主要工作 |
| 2 交直流混联电网建模及故障批量化仿真 |
| 2.1 高压直流输电系统介绍 |
| 2.1.1 高压直流输电基本原理 |
| 2.1.2 高压直流输电基本控制原理 |
| 2.2 交直流混联电网模型搭建 |
| 2.2.1 四机两区域交直流混联电网模型介绍 |
| 2.2.2 高压直流输电控制系统 |
| 2.3 模型的批量化仿真 |
| 2.4 本章小结 |
| 3 基于SSAE-DBN的交直流混联电网故障诊断 |
| 3.1 堆叠稀疏自动编码器 |
| 3.1.1 稀疏自动编码器 |
| 3.1.2 堆叠稀疏自动编码器(SSAE) |
| 3.2 深度置信网络(DBN) |
| 3.2.1 受限玻尔兹曼机(RBM) |
| 3.2.2 深度置信网络(DBN) |
| 3.3 基于SSAE-DBN的交直流混联电网故障诊断方案 |
| 3.4 SSAE模型调试及降维效果分析 |
| 3.5 DBN模型调试 |
| 3.6 故障诊断结果分析 |
| 3.6.1 评价指标 |
| 3.6.2 测试结果 |
| 3.6.3 与传统方法对比 |
| 3.7 本章小结 |
| 4 基于卷积神经网络的交直流混联电网故障诊断 |
| 4.1 卷积神经网络(CNN)的基本原理 |
| 4.2 基于卷积神经网络的交直流混联电网故障诊断 |
| 4.3 卷积神经网络配置参数对故障诊断的影响 |
| 4.4 卷积神经网络故障诊断性能分析 |
| 4.4.1 训练过程分析 |
| 4.4.2 卷积神经网络特征提取可视化分析 |
| 4.4.3 故障诊断结果分析 |
| 4.5 本章小结 |
| 5 基于DCGAN的故障样本数据增强研究 |
| 5.1 DCGAN简介及原理 |
| 5.1.1 生成对抗网络(GAN) |
| 5.1.2 生成对抗网络基础理论 |
| 5.1.3 深度卷积生成对抗网络(DCGAN) |
| 5.2 基于DCGAN故障数据增强实现与分析 |
| 5.2.1 故障数据准备 |
| 5.2.2 DCGAN模型参数设计 |
| 5.2.3 训练过程 |
| 5.3 结果与分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（8）逆变器传感器故障和开关管故障综合诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.1.1 电力电子变换器的可靠性研究 |
| 1.1.2 半导体开关管故障诊断研究意义 |
| 1.1.3 传感器故障诊断研究意义 |
| 1.1.4 故障诊断方法的主要性能指标 |
| 1.2 逆变器开关管故障诊断研究现状 |
| 1.2.1 基于信号特征的诊断方法 |
| 1.2.2 基于电路模型的诊断方法 |
| 1.2.3 基于数据分析的诊断方法 |
| 1.3 逆变器传感器故障诊断研究现状 |
| 1.3.1 电流传感器故障诊断方法 |
| 1.3.2 电压传感器故障诊断方法 |
| 1.4 本论文主要研究工作 |
| 2 电流传感器故障和开关管故障综合诊断方法 |
| 2.1 引言 |
| 2.2 诊断方法原理 |
| 2.2.1 逆变器工作原理 |
| 2.2.2 桥臂间电压期望值和实际值计算 |
| 2.2.3 电流传感器故障和开关管故障特性综合分析 |
| 2.2.4 电流传感器和开关管故障综合诊断原理 |
| 2.3 诊断方法实现 |
| 2.3.1 诊断方法实现流程 |
| 2.3.2 电压电流双诊断变量平均模型 |
| 2.3.3 动态误差归一化的自调节诊断阈值设计 |
| 2.3.4 电流传感器和开关管故障综合定位判据 |
| 2.3.5 电流传感器容错 |
| 2.4 实验验证 |
| 2.4.1 实验参数和实验说明 |
| 2.4.2 准确性验证实验 |
| 2.4.3 诊断速度验证实验 |
| 2.4.4 鲁棒性验证实验 |
| 2.4.5 宽负载适用性验证实验 |
| 2.5 本章小结 |
| 3 电压传感器故障、电流传感器故障和开关管故障综合诊断方法 |
| 3.1 引言 |
| 3.2 诊断方法原理 |
| 3.2.1 直流母线电压传感器故障特性分析 |
| 3.2.2 交流输出电压传感器故障特性分析 |
| 3.2.3 电压传感器、电流传感器和开关管故障综合诊断原理 |
| 3.3 诊断方法实现 |
| 3.3.1 诊断方法概述 |
| 3.3.2 诊断变量偏差和阈值计算 |
| 3.3.3 电压、电流传感器和开关管故障综合诊断算法逻辑和故障定位判据 |
| 3.3.4 电压传感器容错 |
| 3.4 实验验证 |
| 3.4.1 实验说明 |
| 3.4.2 直流母线电压传感器故障诊断与容错效果验证实验 |
| 3.4.3 交流输出电压传感器故障诊断与容错效果验证实验 |
| 3.4.4 电流传感器故障诊断与容错效果验证实验 |
| 3.4.5 开关管故障诊断效果验证实验 |
| 3.4.6 鲁棒性验证实验 |
| 3.5 本章小结 |
| 4 总结与展望 |
| 4.1 总结 |
| 4.2 展望 |
| 参考文献 |
| 攻读硕士学位期间科研成果 |
（9）非侵入式逆变器功率开关管故障和电流传感器故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩略语表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 三相逆变器功率开关管故障诊断研究现状 |
| 1.2.2 单相逆变器功率开关管故障诊断研究现状 |
| 1.2.3 逆变器传感器故障诊断研究现状 |
| 1.3 本论文的主要研究内容 |
| 第2章 基于相电压故障特征的三相逆变器功率开关管故障诊断方法 |
| 2.1 引言 |
| 2.2 相电压故障特征分析 |
| 2.3 近零电压滑窗计数故障诊断方法 |
| 2.3.1 近零电压滑窗计数算法原理 |
| 2.3.2 故障定位规则 |
| 2.3.3 算法参数选取 |
| 2.4 实验研究 |
| 2.5 本章小结 |
| 第3章 基于误差自适应阈值的三相逆变器功率开关管故障诊断方法 |
| 3.1 引言 |
| 3.2 三相逆变器桥臂电压故障特征分析 |
| 3.3 三相三线制逆变器故障诊断方法 |
| 3.3.1 桥臂间电压平均模型 |
| 3.3.2 故障诊断方法原理 |
| 3.3.3 误差自适应阈值选取 |
| 3.4 三相四线制逆变器故障诊断方法 |
| 3.4.1 桥臂中点电压平均模型 |
| 3.4.2 故障诊断方法原理 |
| 3.4.3 误差自适应阈值选取 |
| 3.5 实验研究 |
| 3.5.1 三相三线制逆变器实验结果 |
| 3.5.2 三相四线制逆变器实验结果 |
| 3.6 本章小结 |
| 第4章 基于故障后重构算法的单相逆变器功率开关管故障诊断方法 |
| 4.1 引言 |
| 4.2 桥臂间电压故障特征分析及平均模型 |
| 4.3 基于故障后控制重构的故障诊断算法 |
| 4.4 基于故障后冗余桥臂重构的故障诊断算法 |
| 4.5 诊断参数设计 |
| 4.6 实验研究 |
| 4.7 本章小结 |
| 第5章 三相逆变器功率开关管故障和传感器故障综合诊断方法 |
| 5.1 引言 |
| 5.2 输出电压偏差模型和故障特征分析 |
| 5.3 功率开关管故障和电流传感器故障综合诊断方法 |
| 5.4 误差分析及阈值选取 |
| 5.5 仿真研究 |
| 5.6 实验研究 |
| 5.7 本章小结 |
| 第6章 总结和展望 |
| 6.1 论文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文和申请的专利 |
（10）基于VMD样本熵和KELM的输电线路故障诊断（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本章小结 |
| 2 输电线路故障类型分析及模型建立 |
| 2.1 输电线路模型设计 |
| 2.2 输电线路故障类型分析 |
| 2.3 本章小结 |
| 3 输电线路故障诊断理论分析 |
| 3.1 变分模态分解 |
| 3.2 样本熵 |
| 3.3 核极端学习机 |
| 3.4 本章小结 |
| 4 输电线路故障特征提取 |
| 4.1 故障数据的采集 |
| 4.2 故障信号的VMD分解 |
| 4.3 故障信号的样本熵值计算 |
| 4.4 本章小结 |
| 5 基于KELM的输电线路故障诊断 |
| 5.1 基于KELM的输电线路故障诊断 |
| 5.2 不同输电线路故障诊断方法分析 |
| 5.3 输电线路故障诊断方法结果分析对比 |
| 5.4 本章小结 |
| 6 总结及展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
四、ABS基本原理及故障诊断（论文参考文献）
- [1]基于机器学习算法的工业过程监测与故障诊断研究[D]. 王贤瑞. 北京石油化工学院, 2021(02)
- [2]基于卷积神经网络的电力线路故障诊断研究[D]. 肖玮. 吉林大学, 2021(01)
- [3]基于等价输入干扰的永磁牵引驱动系统传感器故障容错控制[D]. 李政潭. 湖南工业大学, 2021(02)
- [4]基于深度学习的风电滚动轴承故障诊断与预测[D]. 常淼. 江南大学, 2021(01)
- [5]基于电流特征的光伏和风电变流器开关管开路故障诊断研究[D]. 谢望. 合肥工业大学, 2021(02)
- [6]基于振声信号的设备故障诊断算法研究[D]. 蒋沁宇. 山东大学, 2021(11)
- [7]基于深度学习的交直流电网故障诊断方法研究[D]. 孙浩. 北京交通大学, 2020(03)
- [8]逆变器传感器故障和开关管故障综合诊断方法研究[D]. 任伊昵. 浙江大学, 2020(12)
- [9]非侵入式逆变器功率开关管故障和电流传感器故障诊断方法研究[D]. 李战. 浙江大学, 2019(01)
- [10]基于VMD样本熵和KELM的输电线路故障诊断[D]. 黄睿灵. 辽宁工程技术大学, 2019(07)